Big data e algoritmi di apprendimento automatico: conoscenza, informazione, potere (a.a. 2021-22)

big data: suoni e rumore nella comunicazione contemporanea - Paolo Costa - Università di Pavia

Obiettivi, programma e contenuti dell’insegnamento, promosso dal Collegio Nuovo e inserito nel corso di laurea triennale in Comunicazione, Innovazione, Multimedialità (CIM) dell’Università di Pavia

Big data e algoritmi di apprendimento automatico: conoscenza, informazione, potere è un insegnamento a scelta inserito nel 3° anno del corso di laurea triennale in Comunicazione, Innovazione, Multimedialità (CIM) dell’Università di Pavia. L’insegnamento, promosso dal Collegio Nuovo di Pavia, a parte del settore SPS-08 (Sociologia dei processi culturali e comunicativi) e dà adito a 6 CFU. Per tutti i miei insegnamenti all’Università di Pavia, vedi qui.

Prerequisiti

Non sono richieste particolari competenze tecniche. La familiarità con Microsoft Excel o altri programmi dedicati alla produzione e alla gestione di fogli elettronici può aiutare. In tal senso suggerisco agli studenti meno esperti di prepararsi preliminarmente attraverso una delle diverse opportunità di formazione online (es.: Coursera, Udemy, …) oppure sfruttando gli innumerevoli tutorial disponibili su YouTube.

Obiettivi formativi e risultati di apprendimento

L’insegnamento si pone due obiettivi:

  1. fornire agli studenti le conoscenze concettuali relative ai modelli interpretativi della realtà economica e sociale basati sul paradigma dei big data (ovvero le grandi aggregazioni di dati che fluiscono in tempo reale da molteplici fonti) e sulle nuove tecniche di intelligenza artificiale (apprendimento automatico o machine learning);
  2. favorire la riflessione sulle implicazioni tecniche, sociopolitiche, giuridiche, culturali ed etiche di tale paradigma.

Programma e contenuti

Il corso è articolato in tre parti: una parte introduttiva, una di approfondimento e una di laboratorio.

La parte introduttiva (6 lezioni, per un totale di 12 ore) permette di condividere il vocabolario di base necessario alla comprensione del soggetto dell’insegnamento: differenza fra dato, informazione e conoscenza; concetto di database e sistema per la gestione di database (DBMS); differenza fra database relazionali e non relazionali; elementi di storia dell’intelligenza artificiale; algoritmi di apprendimento automatico; differenza fra machine learning e deep learning ecc.

La parte di approfondimento (6 lezioni, per un totale di 12 ore) esplora la natura del fenomeno e le sue radici storiche, evidenziando i fattori che ne determinano la pervasività: esplosione dei big data, “datizzazione” dell’esperienza e diffusione delle logiche algoritmiche nei principali ambiti della vita economica e sociale. In particolare, sono presi in considerazione quattro domini nei quali il paradigma dei big data sta abilitando i cambiamenti più significativi:

  • Informazione e giornalismo
  • Marketing e pubblicità
  • Finanza
  • Bioinformatica, medicina e farmaceutica

La parte di laboratorio (6 incontri, per un totale di 12 ore) si organizza intorno all’ambito tematico specifico dell’informazione online. Saranno analizzati specifici casi di studio, con l’intento di discutere con gli studenti:

  • l’influenza dei grandi filtri (Google e Facebook) nella formazione dell’opinione pubblica
  • le basi tecniche delle cosiddette fake news e i principali esempi di canali di disinformazione
  • l’evoluzione delle tecnologie per la produzione automatica di notizie
  • la pratica e gli strumenti del cosiddetto data journalism

Metodi didattici

Il corso è organizzato alternando lezioni frontali ed esercitazioni, con l’obiettivo di familiarizzare con strumenti di fact checking, data scraping e data visualisation.

Testo di riferimento

Hannah Fry, Hello World. Essere umani nell’era delle macchine, Bollati Boringhieri, Torino, 2019 (ed. originale Hello World. How to Be Human in the Age of the Machine, 2018).

Modalità di verifica dell’apprendimento

L’esame consisterà in un colloquio della durata 15-20 minuti, finalizzato a verificare la comprensione della materia da parte dello studente.

Per la prova, lo studente potrà liberamente scegliere una fra le due seguenti modalità di verifica:

  1. Colloquio sui contenuti del testo di riferimento di Hannah Fry (facoltativi i capp. su La criminalità e L’arte, obbligatori tutti gli altri).
  2. Presentazione di una ricerca personale su uno dei temi discussi durante la parte laboratoriale del corso, accompagnata da un deck multimediale (PowerPoint o simili).

Gli studenti saranno interrogati rigorosamente nell’ordine di iscrizione online. Non è possibile fissare appelli straordinari oltre a quelli sopra indicati. Gli studenti stranieri potranno sostenere il colloquio in inglese. Non sono ammesse altre lingue, oltre all’italiano e all’inglese.

Calendario delle lezioni

L’insegnamento si svolgerà in Aula 4 di Scienze Politiche e Sociali dal 27 settembre al 29 novembre 2021 dalle ore 14 alle 16 nei giorni di lunedì e martedì. Poiché aggiornamenti del calendario sono sempre possibili per esigenze organizzative dell’Università, si prega di verificare sedi e orari qui.

Appelli di esame

Le date degli appelli d’esame saranno rese note all’interno dell’area riservata del sito dell’Università, non appena fissate dalla segreteria di CIM-CoD.

Sede e orario di ricevimento

Ricevo su appuntamento. Invito gli studenti a contattarmi preventivamente via e-mail: paolo.costa@unipv.it.

Bibliografia di approfondimento

Scienza dei dati e statistica

  • Nate Silver, The Signal and the Noise. The Art and Science of Prediction, New York NY, The Penguin Press, 2012.
  • David Spiegelhalter, The Art of Statistics. Learning from Data, London, Pelican Books, 2019.

Big Data e Algoritmi (manuali)

  • Ottavio Calzone, Machine learning. Introduzione all’apprendimento automatico, senza indicazione di luogo, Faraday Keen, 2018.
  • Steven Finlay, Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data Driven Technologies, Londra, Relativistic, 2018.
  • Judith Hurwitz, Daniel Kirsch, Machine Learning for Dummies (IBM Limited Edition), Hoboken NJ, John Wiley &Sons, 2018.
  • Francesco Scala, Machine learning. Un’introduzione dettagliata, senza indicazione di luogo, Amazon Editions, 2018.

Big Data e Algoritmi (saggi critici)

  • Cosimo Accoto, Il mondo dato. Cinque brevi lezioni di filosofia digitale, Milano, Egea, 2017.
  • Luca Bolognini, Follia artificiale. Riflessioni per la resistenza dell’intelligenza umana, Soveria Mannelli CZ, Rubettino, 2018.
  • Ludovico Boratto, Stefano Faralli, Mirko Marras, Giovanni Stilo (a cura di), Bias and Social Aspects in Search and Recommendation, First International Workshop, BIAS 2020, Lisbon, April 14, Cham, Springer, 2020.
  • Nick Bostrom, Superintelligence. Paths, dangers, strategies, Oxford, Oxford University Press, 2014 (trad. it. Superintelligenza. Tendenze, pericoli, strategie, Torino, Bollati Boringheri, 2018).
  • John Brockman (a cura di), Possible Minds. Twenty-Five Ways of Looking at AI, New York, Penguin, 2019.
  • Meredith Broussard, Artificial Unintelligence. How Computers Misunderstand the World, Cambridge MA, MIT Press, 2019.
  • Dominique Cardon, À quoi revent les algorithmes, Parigi, Seuil, 2015 (trad. it. Che cosa sognano gli algoritmi. Le nostre vite al tempo dei big data, Milano, Mondadori, 2016).
  • Paolo Costa, Motori di ricerca e social media: i nuovi filtri nell’ecosistema dell’informazione online e il potere oscuro degli algoritmi, in Giulia Avanzini, Giuditta Matucci (a cura di), L’informazione e le sue regole. Libertà, pluralismo e trasparenza, Napoli, Editoriale Scientifica, 2016, 251-272.
  • Paolo Costa, Debolezze algoritmiche, umane fragilità. Tecnologie di apprendimento automatic e bias cognitivi nei dispositivi di selezione dei contenuti online, in Giulia Avanzini, Giuditta Matucci, Lucia Musselli (a cura di), Informazione e media nell’era digitale, Milano, Giuffrè Francis Lefebvre, 2019, pp. 355-378.
  • Thomas H. Davenport, Julia Kirby, Only Humans Need Apply: Winners and Losers in the Age of Smart Machines, New York, HarperCollins, 2016.
  • Ed Finn, What Algorithms Want. Immagination in the Age of Computing, Cambridge MA, The MIT Press, 2017.
  • Franklin Foer, World Without Mind: The Existential Threat of Big Tech, New York, Penguin, 2017 (trad. it. I nuovi poteri forti. Come Google, Apple, Facebook e Amazon pensano per noi, Milano, Longanesi, 2018).
  • Paolo Gallina L’anima delle macchine. Tecnodestino, dipendenza tecnologica e uomo virtuale, Bari, Dedalo, 2015.
  • Philip Larrey, Artificial Humanity. An Essay on the Philosophy of Articial Intelligence, Roma, IF Press, 2019.
  • Kai-Fu Lee, AI Superpowers. China, Silicon Valley and the New World Order, Boston – New York, Houghton Mifflin Harcourt, 2018.
  • Sabina Leonelli, La ricerca scientifica nell’era dei Big Data, Roma, Meltemi, 2018.
  • Gary Marcus, Ernest Davis, Rebooting AI. Building Artificial Intelligence We Can Trust, Pantheon, New York, 2019.
  • Pamela McCorduck, Machines Who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence, London, Routledge, 2004.
  • Roberto Marmo, Algoritmi per l’intelligenza artificiale, Milano, Hoepli, 2020.
  • Michele Mezza, Algoritmi di libertà. La potenza del calcolo tra dominio e conflitto, Roma, Donzelli, 2018.
  • Evgeny Morozov, To Save Everything, Click Here: The Folly of Technological Solutionism, New York, PublicAffairs, 2013.
  • Mark O’Connell, To Be a Machine: Adventures Among Cyborgs, Utopians, Hackers, and the Futurists Solving the Modest Problem of Death, New York, Doubleday, 2017 (trad. it. Essere una macchina. Un viaggio attraverso cyborg, utopisti, hacker e futurologi per risolvere il modesto problema della morte, Milano, Adelphi, 2018).
  • Frank Pasquale, The Secret Algorithms That Control Money and Information, Harvard, Harvard University Press, 2015.
  • Eli Parisier, The Filter Bubble: What the Internet is Hiding from You, New York, Penguin, 2011 (trad. it. Il filtro. Quello che internet ci nasconde, Milano, Il Saggiatore, 2012).
  • Nick Polson, James Scott, AIQ: How People and Machines Are Smarter Together, St. Martin’s Press, New York, 2018 (trad. it. Numero intelligenti. La matematica che fa funzionare l’intelligenza artificiale di Google, Facebook, Apple & Co, DeA Planeta Libri, Milano, 2019).
  • Executive Office of the President, Big Data: Seizing Opportunities, Preserving Values, The White House, 2014.
  • Stefano Quintarelli (a cura di), Intelligenza artificiale. Cos’è davvero, come funziona, che effetti avrà, Torino, Bollati Borigheri, 2020.
  • Stuart Russell, Human Compatible. Artificial Intelligence and the Problem of Control, New York, Viking, 2019.
  • Éric Sadin, L’intelligence artificielle ou l’enjeu du siècle. Anatomie d’un antihumanisme radical, Parigi, L’échappée, 2018 (trad. it. Critica della ragione artificiale. Una difesa dell’umanità, Roma, LUISS University Press, 2019).
  • Susan Schneider, Artificial You. AI and the Future of Your Mind, Princeton NJ – Oxford, Princeton University Press, 2019.
  • Domenico Talia, La società calcolabile e i big data. Algoritmi e persone nel mondo digitale, Soveria Mannelli CZ, Rubettino, 2018.

Privacy

  • Amit Datta, Michael Carl Tschantz, Anupam Datta, Automated Experiments on Ad Privacy Settings, in “Proceedings on Privacy Enhancing Technologies 2015”, 2015 (1), 92–112.
  • Antonello Soro, Persone in Rete. I dati tra poteri e diritti, Fazi, Roma, 2018.

Fake News & Information Disorder

  • AGCOM, News vs. fake nel sistema dell’informazione, 2018 (disponibile online presso il sito dell’AGCOM, qui).
  • Carl T. Bergstrom, Jevin D. West, Calling Bullshit. The Art of Scepticism in a Data-Driven World, New York NY, Allen Lane, 2020.
  • Alessandro Dal Lago, Populismodigitale, Milano, Raffaello Cortina Editore, 2017.
  • Francesco Nicodemo, Disinformazia, Venezia, Marsilio, 2017.
  • Giovanni Pitruzzella, Oreste Pollicino, Stefano Quintarelli, Parole e potere. Libertà d’espressione, hate speech e fake news, Milano, Egea, 2017.
  • Giuseppe Riva, Fake news, Bologna, Il Mulino, 2018.
  • Christopher Wylie, Mindf*ck: inside Cambridge Analytica’s plot to break the world. London, Profile Books, 2019 (tr. it. Il mercato del consenso. Come ho creato e poi distrutto Cambridge Analytica, Milano, Longanesi, 2020).

Infografica

  • Alberto Cairo, L’arte funzionale. Infografica e visualizzazione delle informazioni, Milano-Torino, Pearson, 2013.
  • Cole Nussbaumer Knaflic, Storytelling with Data: A Data Visualization Guide for Business Professionals, Wiley, Hoboken, 2015.
Social Network Widget by Acurax Small Business Website Designers
Visit Us On TwitterVisit Us On FacebookVisit Us On PinterestVisit Us On YoutubeVisit Us On Linkedin